关于使用GWOCS算法对痴呆症患者的脑电图（EEG）信号进行分类及其可解释性的研究

《Cognitive Neurodynamics》：Research on the classification of EEG signals for dementia and its interpretability using the GWOCS agorithm

EEG信号分析通过熵、时频域及SODP提取16维特征，结合Pearson相关、SHAP和重要性排名筛选SE、SW等6个特征，利用Relief算法融合降维，GWOCS优化通道组合（Fz、F7等8通道），实现AD、FTD与正常组的89.35%和81.12%三分类准确率，SHAP分析证实前额叶和颞叶脑区对痴呆诊断的关键作用。

　　

摘要

阿尔茨海默病（AD）和额颞叶痴呆（FTD）具有隐匿性、相似且模糊的临床症状，这使得它们的诊断变得困难。目前，在脑电图（EEG）信号分析领域，关于使用智能优化算法进行特征选择的可解释性分析的研究相对较少。为了更全面地分析AD和FTD患者的EEG信号，本文首先提取了三个维度（熵、时频域和SODP）中的16个特征。其次，采用皮尔逊相关性分析、重要性排序和SHAP可解释性分析方法，选出了SE、SW、ZCR、STA、CTM2和CTM5作为最佳的区分特征，并利用Relief算法基于权重进行特征融合和降维。第三，通过GWOCS算法进行通道筛选，确定了Fz、F7、Fp1、Fp2、F3、T3、P4和C3这组最佳通道组合，实现了对两组患者和正常对照组的三分类识别，其在交叉验证和LOSO验证中的分类准确率分别为89.35%和81.12%。最后，SHAP方法证明了在前额叶和颞叶脑区在痴呆症诊断中的关键作用，验证了该框架在快速通道选择和提升疾病检测效率方面的有效性。